欢迎来到知嘟嘟! 联系电话:13095918853 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13095918853
知嘟嘟经纪人
收藏
专利号: 2020115334373
申请人: 浙江理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2024-01-05
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种纺织图像的特征提取方法,其特征在于,包括步骤:S1、将待提取特征的织物图像切分成M×M像素,并将织物图像转化为灰度图像;

S2、将步骤S1中转化为灰度图像的织物图像经过基于互相干准则的字典优化,得到织物图像的字典矩阵D;

S3、令步骤S2中得到的字典矩阵D=Φ,并同灰度化织物图像共同构成稀疏表示模型y=Φx+ξ,其中,y为灰度化织物图像,ξ为观测噪声,设置控制x更新的超参数α和控制ξ更新的超参数β,并根据稀疏贝叶斯学习稀疏表示模型进行求解,求得x的表达式,并更新超参数α、β以对x进行更新,最终得到织物图像的稀疏特征x;

步骤S2中,具体包括以下步骤:

S2.1、初始化N×L维的字典矩阵D0,随机生成与织物图像同维的测量矩阵ψ,并使测量矩阵ψ正交化;

S2.2、对字典矩阵D0的列向量进行模值归一化处理;

S2.3、计算字典矩阵D0的列向量之间的互相干性u:其中,di,dj为字典矩阵的列向量,且i≠j;

T

S2.4、对字典矩阵D0进行奇异值分解,即:D0=USV;

其中,U为N阶正交矩阵,S为降序排列的非负对角线元素组成的N×L矩形对角阵,V为L阶正交矩阵;

S2.5、对矩阵S进行优化,使得:S(N+1:end,L+1:end)=u,以得到优化后的矩阵S';

S2.6、对字典矩阵D0进行学习,迭代公式如下:T

D’=U*S’*V,

其中D’表示迭代后的字典矩阵;

S2.7、判断迭代次数是否达到预设迭代次数n,若否,则将步骤S2.6得到的迭代后的字典矩阵替代上一次迭代过程中的字典矩阵,并重复上述步骤S2.3‑S2.6,若是,则输出学习后的字典矩阵,即优化后的字典矩阵D;

步骤S3中,具体包括以下步骤:

S3.1、输入步骤S2优化后获得的字典矩阵D和灰度化织物图像y;

S3.2、将灰度化织物图像y视为稀疏特征图像x与观测噪声ξ的加权和,建立相应的数学模型并计算,具体过程如下:y=Φx+ξ                   (1)其中y为N×M维的灰度化织物图像,Φ为步骤S2更新获得的N×L维的字典矩阵D,x为L×M维的稀疏性特征图像,ξ为N×M维的观测噪声,且 即ξ服从期望为0,方差2

为σ的正态分布;

‑1 2

令β =σ,则y的高斯似然模型表示为:其中,μx为x的期望;

根据稀疏贝叶斯学习的算法思想,假定x服从高斯分布,则对x赋予先验条件概率模型,表示为:其中, α是超参数用于控制x的先验方差;

根据贝叶斯公式得:

S3.3、设置x的收敛标准xThresh以及最大迭代次数Max_iter;

S3.4、初始化α和β的值;

S3.5、通过步骤S3.2计算得x的后验分布为:‑1 T

μx=β ∑xΦy         (6)‑1 T ‑1 ‑1

∑x=(β ΦΦ+A )        (7)其中μx为x的期望,∑x为x的方差;

S3.6、根据α和β的值,结合S3.5中的(6)、(7)对μx,∑x进行估计计算;

S3.7、利用步骤S3.6得到μx和∑x更新α和β,更新公式如下:n n+1 n+1

其中α表示更新前超参数α的值,α 表示更新后超参数α的值,β 表示更新后超参数β的值,(∑x)ii为∑x第i个对角元素;

S3.8、计算迭代截止条件 并判断e<xThresh是否成立,若成立,则停止迭代,此时的μx为最终学习得到的稀疏特征图像x,若不成立,则继续判断迭代次数是否大于Max_iter,若满足则停止迭代,此时的μx为最终学习得到的稀疏特征图像x,若两个条件均不成立,则利用步骤S3.7计算得到的更新后的α和β以重复步骤S3.6‑S3.7。

2.根据权利要求1所述的一种纺织图像的特征提取方法,其特征在于,步骤S2.7中预设迭代次数n=1000。

‑8

3.根据权利要求1所述的一种纺织图像的特征提取方法,其特征在于,xThresh为10 。

4.根据权利要求1所述的一种纺织图像的特征提取方法,其特征在于,Max_iter为

2000。

5.根据权利要求1所述的一种纺织图像的特征提取方法,其特征在于,将待提取特征的织物图像切分成96×96像素。